隨著信息技術(shù)的不斷發(fā)展,克服時間、空間限制的遠(yuǎn)程教育開始出現(xiàn)。適應(yīng)性學(xué)習(xí)系統(tǒng)可以根據(jù)學(xué)生的學(xué)習(xí)現(xiàn)狀動態(tài)調(diào)整學(xué)習(xí)資源的呈現(xiàn),克服我國傳統(tǒng)教育中存在的教育資源分布不均、教學(xué)模式單一等問題,對于實現(xiàn)高質(zhì)量教學(xué)有重要的意義。但是相較于國外已經(jīng)有如Moodle學(xué)習(xí)管理系統(tǒng)、Knewton個性化學(xué)習(xí)平臺等較為成熟的系統(tǒng),國內(nèi)對適應(yīng)性學(xué)習(xí)系統(tǒng)的研究還停留在理論階段,少數(shù)已經(jīng)推廣使用的學(xué)習(xí)系統(tǒng)也普遍存在智慧程度較低的問題。對適應(yīng)性學(xué)習(xí)系統(tǒng)的研究、設(shè)計、開發(fā)、實施是教育領(lǐng)域今后的研究熱點之一。個性化學(xué)習(xí)資源推薦是實現(xiàn)在線學(xué)習(xí)系統(tǒng)適應(yīng)性的主要途徑,基于數(shù)據(jù)挖掘技術(shù)獲取學(xué)生在線學(xué)習(xí)行為數(shù)據(jù),再通過學(xué)習(xí)分析技術(shù)構(gòu)造學(xué)生專屬學(xué)習(xí)者模型,并定制化的為其提供適合的學(xué)習(xí)資源。首先通過查閱大量的文獻(xiàn)發(fā)現(xiàn)傳統(tǒng)學(xué)習(xí)資源推薦方法主要停留在試題層面,忽視了學(xué)生學(xué)習(xí)的本質(zhì)其實是對知識點的學(xué)習(xí),以及學(xué)生的學(xué)習(xí)過程受到“之前”和“之后”學(xué)習(xí)行為的影響,具有時序性這一特點。近年來隨著人工智能的飛速發(fā)展,與深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)相結(jié)合的推薦方法成為未來研究推薦領(lǐng)域的重要方向。其中雙向長短時記憶循環(huán)神經(jīng)網(wǎng)絡(luò)（Bi-LSTM）善于處理時序問題,且... 

【文章來源】：寧夏大學(xué)寧夏回族自治區(qū) 211工程院校

【文章頁數(shù)】：63 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２－１多層感知器網(wǎng)絡(luò)結(jié)構(gòu)??－１１－??

多層感知器（ＭＬＰ）是一種簡潔但是非常有效的前饋神經(jīng)網(wǎng)絡(luò)模型，在輸入層和輸出層之間??有多個隱藏層，被廣泛應(yīng)用于工業(yè)領(lǐng)域，應(yīng)用在推薦系統(tǒng)中也有很好的效果。三層結(jié)構(gòu)的ＭＬＰ??網(wǎng)絡(luò)結(jié)構(gòu)如圖２－１所示。??輸入節(jié)點?隱節(jié)點?輸入節(jié)點??圖２－１多層感知器網(wǎng)絡(luò)結(jié)構(gòu)??－１１－??

多層感知器（ＭＬＰ）是一種簡潔但是非常有效的前饋神經(jīng)網(wǎng)絡(luò)模型，在輸入層和輸出層之間??有多個隱藏層，被廣泛應(yīng)用于工業(yè)領(lǐng)域，應(yīng)用在推薦系統(tǒng)中也有很好的效果。三層結(jié)構(gòu)的ＭＬＰ??網(wǎng)絡(luò)結(jié)構(gòu)如圖２－１所示。??輸入節(jié)點?隱節(jié)點?輸入節(jié)點??圖２－１多層感知器網(wǎng)絡(luò)結(jié)構(gòu)??－１１－??

【參考文獻(xiàn)】：
期刊論文
[1]基于深度神經(jīng)網(wǎng)絡(luò)的個性化學(xué)習(xí)行為評價方法[J]. 郎波,樊一娜.  計算機(jī)技術(shù)與發(fā)展. 2019(07)
[2]基于大規(guī)模在線開放課程的學(xué)習(xí)者模型的設(shè)計與實現(xiàn)[J]. 黃丹霞,劉欣欣.  計算機(jī)應(yīng)用. 2018(S2)
[3]基于在線學(xué)習(xí)行為分析的個性化學(xué)習(xí)推薦[J]. 陳晉音,方航,林翔,鄭海斌,楊東勇,周曉.  計算機(jī)科學(xué). 2018(S2)
[4]基于BP神經(jīng)網(wǎng)絡(luò)的認(rèn)知診斷方法在個性化教學(xué)中的應(yīng)用[J]. 黃宏濤,李世珍,李世玉,宋婷鴿,蘇明驁.  中國遠(yuǎn)程教育. 2019(01)
[5]基于深度學(xué)習(xí)的資源個性化推薦算法及模型設(shè)計[J]. 梁婷婷,李麗琴.  智能計算機(jī)與應(yīng)用. 2018(06)
[6]融合學(xué)習(xí)者時序行為和認(rèn)知水平的個性化學(xué)習(xí)資源推薦算法[J]. 林木輝.  計算機(jī)系統(tǒng)應(yīng)用. 2018(10)
[7]基于階段衍變雙向自均衡的個性化學(xué)習(xí)資源推薦方法[J]. 李浩君,張征,張鵬威.  模式識別與人工智能. 2018(10)
[8]多約束條件下基于競爭遺傳算法的學(xué)習(xí)資源推薦算法[J]. 黃建國,陳圣兵.  遼寧科技學(xué)院學(xué)報. 2018(04)
[9]反饋式個性化試題推薦方法[J]. 萬永權(quán),燕彩蓉,朱明,蘇厚勤.  計算機(jī)應(yīng)用與軟件. 2018(07)
[10]走向遠(yuǎn)程學(xué)習(xí)的三重追問與路徑——對遠(yuǎn)程學(xué)習(xí)平臺“智慧樹”的反思[J]. 張子燕.  成人教育. 2018(05)

碩士論文
[1]中國MOOC平臺傳播與運營模式研究[D]. 王歆舒.暨南大學(xué) 2018
[2]在線學(xué)習(xí)系統(tǒng)中的深度學(xué)習(xí)推薦算法研究[D]. 沈筱譞.華中師范大學(xué) 2017



本文編號：3017148